Modelli di neural network ispirati alla biofisica

Il machine learning è stata una delle discipline più rivoluzionarie dello scorso secolo: ha permesso di affrontare problemi al di là della portata dei normali algoritmi computazionali, ed ha dato nuove prospettive per lo studio dell’intelligenza in natura. Grazie all’avvento dei big data e dei moderni calcolatori, il deep learning in particolare ha dal 2006 ricevuto una grande attenzione e riportato risultati straordinari in applicazioni cognitive e commerciali. Lo scopo di questa tesi è quello di riportare i principali risultati storici in queste discipline, partendo da una veloce analisi dei sistemi di machine learning (ML), per poi soffermarsi sui principali tipi di artificial neural network (ANN), ed infine presentare i risultati, i vantaggi e le sfide del più recente tipo di neural network, gli spiking neural network (SNN). A differenza dei classici ANN questi ultimi sono caratterizzati da uno stato di attivazione definito da un’equazione differenziale: ciò li rende da un lato più versatili, dall’altro più dispendiosi in termini di calcolo per un computer. La storia del machine learning è caratterizzata da momenti di entusiasmo e momenti di crisi, di cui avremo modo di vedere esempi nel corso del testo, e gli SNN non sono immuni a questa tendenza: i loro pregi e difetti hanno fatto parlare molto a riguardo della loro effettiva utilità, e sebbene ad oggi manchino ancora diversi elementi chiave per una vera esplosione da un punto di vista applicativo, gl SNN vengono considerati da molti come la più potente versione degli ANN concepita finora.